pengenalan pola eeg pada kemampuan konsentrasi dan...

Proseding Seminar Nasional Fisika dan Aplikasinya Sabtu, 19 November 2016 Bale Sawala Kampus Universitas Padjadjaran, Jatinangor

*Email: [email protected] Kode Artikel: FP-06 ISSN: 2477-0477

PENGENALAN POLA EEG PADA KEMAMPUAN KONSENTRASI DAN MENGHITUNG

ARTHA IVONITA SIMBOLON* , M FAIZAL AMRI UPT Balai Pengembangan Instrumentasi,

Lembaga Ilmu Pengetahuan Indonesia Kompleks LIPI Jl. Sangkuriang Gd 30, Bandung 40135

Abstrak. Kemampuan kognitif merupakan salah satu kemampuan yang harus dimiliki oleh pelajar. Salah satu cara untuk melihat kemampuan kognitif seseorang adalah dengan melihat tingkat konsentrasi dan kecepatan dalam menghitung. Penelitian ini membahas tentang pola sinyal otak dari subjek yang berkonsentrasi dan menghitung angka. Subjek yang digunakan sebanyak 13 mahasiswa dengan rentang usia 20-22 tahun. Subjek diberi stimulus berupa angka yang muncul satu persatu, dan subjek menjumlahkan setiap angka yang muncul. Pengolahan data dilakukan dengan bandpass filter (0,5-50 Hz), transformasi wavelet, dan ekstraksi fitur. Pola yang diperoleh terlihat berbeda untuk subjek yang menghitung dengan benar dan salah. Untuk subjek yang menghitung dengan benar, dihasilkan peak dalam rentang waktu munculnya angka secara beraturan. Sedangkan untuk subjek yang menghitung dengan salah, sinyal yang dihasilkan tidak memiliki keberaturan munculnya peak pada sinyal. Perbedaan pola ini dapat memperlihatkan perbedaan tingkat kemampuan kognitif seseorang, dan bisa menjadi bahan dasar untuk meningkatkan kemampuan kognitif tersebut.

Kata kunci : EEG, kognitif, bandpass filter, transformasi wavelet Abstract. Cognitive ability is one's ability to be possessed by students. One way to look at a person's cognitive ability is to see the level of concentration and speed in the count. This study discusses the pattern of brain signals from the subject to concentrate and count the numbers. Subjects who used as many as 13 students with an age range of 20-22 years. Subjects were given a stimulus in the form of numbers that appear one by one, and the subject of summing each number appears. Data processing is performed by the bandpass filter (0.5 to 50 Hz), the wavelet transform, and feature extraction. Looks different patterns obtained for the subject which calculates the right and wrong. To calculate properly the subject, resulting in a span of peak emergence of a number uniformly. As for the subject count by one, the resulting signal has no peak emergence of regularities in the signal. Differences in the pattern can show differences in the level of a person's cognitive abilities, and can be a base material to improve the cognitive abilities. Keywords : EEG, cognitive, bandpass filter, wavelet transformation

1. Pendahuluan Kemampuan kognitif merupakan salah satu kemampuan yang harus dimiliki setiap pelajar. kemampuan kognitif tersebut berupa kemampuan persepsi, atensi, ingatan, berpikir, konsentrasi, melakukan penalaran, dan memecahkan masalah[1]. Kemampuan kognitif seseorang dapat mempengaruhi prestasi seorang pelajar. Konsentrasi dan kecekatan dalam menghitung dapat menjadi salah satu unsur penunjang tingkat kemampuan kognitif seseorang. Pelajar seringkali tidak

Artha I. Simbolon dkk

246

berkonsentrasi pada saat pemberian materi ataupun ujian. Hal ini yang menyebabkan pelajar tersebut memiliki prestasi yang menurun.

Dibutuhkan suatu studi yang mempelajari tingkat konsentrasi seorang pelajar dan dapat menjadi bahan pertimbangan untuk metode pembelajaran guna meningkatkan tingkat konsentrasi. Kondisi seseorang ketika berkonsentrasi dan menghitung dapat menimbulkan suatu aktivitas listrik dalam otaknya. Elektroensefalografi (EEG) merupakan pengukuran noninvasif aktivitas listrik otak pada kulit kepala[2]. Pada umumnya, sinyal EEG pada manusia dibedakan berdasarkan daerah frekuensinya, yaitu gelombang beta (14-30Hz) jika seseorang dalam kondisi konsentrasi dan berfikir, gelombang alfa (8-13Hz) jika seseorang dalam keadaan sadar dan rileks, gelombang teta (4-7Hz) jika seseorang dalam keadaan mengantuk atau tertidur ringan, dan gelombang delta (0.5-3Hz) jika seseorang dalam keadaan tertidur [3].

Sinyal EEG merupakan sinyal nonstasioner. Sebelumnya telah banyak yang melakukan pengolahan sinyal EEG dengan menggunakan transformasi Fourier, akan tetapi transformasi Fourier tidak memberikan hasil yang bagus jika diterapkan pada sinyal nonstasioner dan memiliki keterbatasan pada jumlah data yang banyak[4-6]. Metoda pendekatan yang sesuai untuk menyelesaikan kedua masalah dari transformasi Fourier tersebut adalah transformasi wavelet[5-6].

Penelitian ini menyajikan studi awal untuk pengenalan pola EEG untuk melihat tingkat konsentrasi dan menghitung dengan memanfaatkan transformasi wavelet.

2. Metode Penelitian a. Akusisi Data

Pengambilan sinyal dilakukan terhadap 13 mahasiswa dengan rentang usia 20-22 tahun yang terdiri dari 6 perempuan dan 7 laki-laki. Subjek dalam keadaan sehat dan tidak memiliki gangguan mental.

Gambar 1. Elektroda yang digunakan.

Pengenalan Pola EEG pada Kemampuan Konsentrasi dan Menghitung 247

247

EEG diukur dengan amplifier Mitsar 202 menggunakan Electrocap Ag/AgCl, dimana letak elektroda mengikuti standar Internasional, yaitu sistem 10-20. Pada eksperimen ini digunakan 15 kanal (F3, F4, F7, F8, Fz, Fp1, Fp2, C3, C4, Cz, P3, P4, Pz, O1, dan O2) seperti yang terlihat pada Gambar 1. Untuk sampling rate yang digunakan adalah 250Hz.

Pengambilan data dilakukan dalam sebuah ruangan yang hening dan hanya berisikan peneliti dan subjek. Hal ini bertujuan agar subjek dapat dengan mudah berkonsentrasi. Subjek duduk di kursi dengan rileks dan dihadapkan dengan layar komputer yang berjarak 30 cm. Subjek diberikan stimulus yang ditampilkan pada layar komputer. Stimulus yang digunakan berupa angka yang muncul satu persatu (Gambar 2.). Subjek berkonsentrasi pada setiap angka yang muncul dan menjumlahkannya satu persatu hingga angka terakhir dan menyebutkan berapa total dari penjumlahan seluruh angka yang muncul. Angka yang ditampilkan sebanyak 16 angka dengan angka berupa satuan (1 hingga 9) dan jumlah akhir dari seluruh angka adalah 70.

b. Pengolahan Sinyal Setelah akuisisi data, dilakukan pengolahan sinyal terhadap data sinyal. Alur pengolahan data yang dilakukan ditunjukkan oleh Gambar 3. Pada raw data dilakukan bandpass filter dengan frekuensi cutoff 0,5-50 Hz.

Gambar 3. Diagram alir pengolahan sinyal EEG.

Gambar 2. Stimulus


248

Untuk sinyal nonstasioner seperti sinyal EEG sangat cocok menggunakan transformasi wavelet. Secara matematis, fungsi dasar wavelet dituliskan sebagai berikut[7-9]:

𝜓",𝒯 𝑡 = '"𝜓 ()𝒯

" (1)

dimana 𝑠 dan 𝒯 berturut-turut adalah faktor skala dan pergeseran, dan t merupakan waktu. Transformasi wavelet diskrit (TWD) merupakan salah satu jenis transformasi wavelet. TWD memiliki prinsip dasar untuk dapat merepresentasikan waktu dan skala dari sinyal dengan menggunakan teknik pemfilteran digital dan operasi sub-sampling.

Sinyal input akan mengalami dekomposisi, dimana sinyal input terbagi menjadi frekuensi tinggi dan frekuensi rendah dengan melewati highpass filter dan lowpass filter. Keluaran dari lowpass filter akan mengalami dekomposisi tingkat berikutnya. Hal ini berulang hingga tingkat yang digunakan, dan dalam eksperimen ini dilakukan hingga tingkat tiga. Ilustrasi dari dekomposisi dapat dilihat pada Gambar 4.

Gambar 4. Dekomposisi wavelet[10].

Kemudian dilakukan rekonstruksi untuk memperoleh panjang sinyal yang sesuai dengan sinyal aslinya dan mendapatkan gambaran sinyal utuh yang lebih jelas. Proses rekontruksi merupakan kebalikan dari proses dekomposisi. Proses rekonstruksi ditunjukkan oleh Gambar 5.


249

Setelah transformasi wavelet dilakukan, selanjutnya adalah ekstraksi fitur. Ekstraksi fitur dilakukan dengan cara mengambil amplitude tertinggi dalam rentang waktu 3s setelah kemunculan stimulus.

3. Hasil dan Pembahasan Hasil yang signifikan diperlihatkan oleh kanal F3, sehingga pengolahan sinyal untuk ekstraksi fitur dilakukan hanya pada kanal F3. Gambar 6 merupakan bentuk sinyal yang dihasilkan oleh subjek yang menghitung dengan benar, sedangkan Gambar 7 merupakan bentuk sinyal yang dihasilkan oleh subjek yang menjawab salah. Dari Gambar 6 dan Gambar 7 dapat dilihat perbedaan bentuk yang cukup jelas. Gambar 6 terlihat menghasilkan peak lebih teratur jika dibandingkan Gambar 7 setiap kali stimulus muncul. Peak yang dihasilkan pun dalam rentang waktu sebelum stimulus selanjutnya muncul.

Pada Gambar 7, di bagian rentang waktu setelah stimulus 7 dan stimulus 13 sinyal tidak memperlihatkan adanya peak yang terlihat jelas, ketika ini terjadi subjek sedang tidak berkonsentrasi dan stimulus terlewat. Terdapat pula lebih dari satu peak yang muncul pada beberapa stimulus, hal ini memperlihatkan subjek berusaha konsentrasi diluar munculnya stimulus. Subjek juga merasa kesulitan menghitung.

Gambar 5. Rekonstruksi wavelet[10].


250

Tabel 1 merupakan hasil ekstraksi fitur, dimana nilai amplitude maksimum dari masing-masing subjek yang benar dan salah menghitung dirata-ratakan. Dari Tabel 1 terlihat bahwa amplitude untuk subjek yang benar menghitung memiliki nilai yang relatif lebih besar dibandingkan dengan subjek yang salah menghitung.

Gambar 7. Pola sinyal EEG untuk subjek yang salah menghitung

Gambar 6. Pola sinyal EEG untuk subjek yang benar menghitung


251

Tabel 1. Hasil Ekstraksi Fitur

Stimulus ke-

Amplitudo Maksimum Rata-rata (µV)

Subjek Benar Subjek Salah

1 88,56 64,64 2 62,99 24,89 3 66,49 44,42 4 74,66 25,17 5 55,28 21,35 6 36,22 44,66 7 65,14 49,06 8 68,74 32,98 9 73,63 27,85

10 64,11 29,4 11 25,8 36,97 12 40,86 30,52 13 67,21 17,8 14 58,83 49,51 15 54,37 23,25 16 21,1 21,78

4. Kesimpulan Sinyal EEG untuk subjek yang benar menghitung memiliki pola dan kemunculan peak yang lebih teratur dibandingkan dengan subjek yang salah menghitung. Rentang amplitude maksimum untuk subjek yang benar (21,1-88,56 µV) lebih besar dibandingkan dengan subjek yang salah menghitung (17,8-64,64 µV).

Ucapan terima kasih Penelitian ini didukung oleh program tematik melalui UPT Balai Pengembangan Instrumentasi- Lembaga Ilmu Pengetahuan Indonesia.

Daftar Pustaka 1. Santrock, J. W. (2006). Psychology (8th ed.). New York, NJ: McGraw Hill. 2. Arjon Turnip and Iwan R. Setiawan, International Journal of Information and

Electronics Engineering vol. 5, no. 3, pp. 180-183, 2015. 3. E.C. Djamal, H.A. Tjokronegoro, Identifikasi dan Klasifikasi Sinyal EEG

terhadap Rangsangan Suara dengan Ekstraksi Wavelet dan Spektral Daya, Prosiding ITB Sains&Tek, vol. 37A, No.1, 2005, 69-92.

4. T. Gandhi, B.K. Panigrahi, S. Anand, Neurocomputing 74 (2011) 3051-3057. 5. V. Sakkalis, M. Zervakis, S. Micheloyannis, Brain Topography, vol 19, 2006. 6. D. Easwaramoorthy, R. Uthayakumar. Analysis of biomedical EEG signals

using Wavelet Transforms and Multifractal Analysi, IEEE International Conference on Communication Control and Computing Technologies (ICCCCT 2010), 7-9 Oct 2010.


252

7. O.A. Rosso, M.T. Martin, A. Figliola., K. Keller, A. Plastino, Journal of neuroscience methods, vol. 153, pp. 163-182, 2006.

8. R. Q. Quiroga, H.Garcia, Clinical Neurophysiology, vol. 114, pp. 376-390, 2003.

9. H. Leung, K. Schindler, A.Y.Y Chan, A.Y.L. Lau, K. L. Leng, “Wavelet-denoising of electroencephalogram and the absolut slope method: A new tool to improveelectroencephalographic localization and lateralization”, Clinical Neurophysiology, vol. 120, pp.1273-1281, 2009.

10. Z. Hong-tu, Y. Jing. The Wavelet Decomposition And Reconstruction Based on The Matlab, Proceedings of the Third International Symposium on Electronic Commerce and Security Workshops(ISECS ’10), 29-30 Juli 2010.

pengenalan pola eeg pada kemampuan konsentrasi dan...

Documents